gangeqian2的博客

DBSCAN 是基于密度聚类的算法特点：1、无需指定簇的个数2、生成的簇数不确定3、对非凸数据集聚类效果不错核心思想：DBSCAN算法将数据点分为三类：　　1.核心点：在半径Eps内含有超过MinPts数目的点。　　2.边界点：在半径Eps内点的数量小于MinPts,但是落在核心点的邻域内的点。　　3.噪音点：既不是核心点也不是边界点的点。　　如下图所示，Eps=5, MinPts=5算法流程：1.将所有点标记为核心点、边界点或噪声点；2.删除噪声点；3.每组连通的核心点形成一个

分享一篇文章面向普通开发者的机器学习入门，https://www.jianshu.com/p/05314e94cee9

最近在研读西瓜书特征选择与稀疏学习，对于正则化这一内容颇有不解，这篇大作可谓图文并茂，通俗易懂，研读之外转载分享。1. The Problem of Overfitting1还是来看预测房价的这个例子，我们先对该数据做线性回归，也就是左边第一张图。如果这么做，我们可以获得拟合数据的这样一条直线，但是，实际上这并不是一个很好的模型。我们看看这些数据，很明显，随

1. 正则化的目的：防止过拟合！2. 正则化的本质：约束（限制）要优化的参数。关于第1点，过拟合指的是给定一堆数据，这堆数据带有噪声，利用模型去拟合这堆数据，可能会把噪声数据也给拟合了，这点很致命，一方面会造成模型比较复杂（想想看，本来一次函数能够拟合的数据，现在由于数据带有噪声，导致要用五次函数来拟合，多复杂！），另一方面，模型的泛化性能太差了（本来是一次函数生成的数

局部线性嵌入(LLE)原理总结　　　　局部线性嵌入(Locally Linear Embedding，以下简称LLE)也是非常重要的降维方法。和传统的PCA，LDA等关注样本方差的降维方法相比，LLE关注于降维时保持样本局部的线性特征，由于LLE在降维时保持了样本的局部特征，它广泛的用于图像图像识别，高维数据可视化等领域转载因公式格式问题无法直接复制过来，给出原文链

转载自 http://blog.youkuaiyun.com/victoriaw/article/details/78500894多维缩放（Multidimensional Scaling, MDS）是一组对象之间的距离的可视化表示，也可以当做一种无监督降维算法使用。为了直观了解MDS，给一个简单例子。假设现在给定一组城市之间的距离信息如下： 现在要求绘制一幅地图，在地图中标出所有

矩阵奇异值分解(SVD)及其应用    PCA 主成分分析是降维的常用方法，再网上搜了几篇文章，不少过于学术，读到这篇通俗易懂，转载共学。版权声明：    本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 转载请注明出处，如果有问题，请联系wheeleast@gmail.com。前言：    PCA